面向企业AI智能体的无状态决策记忆

尽管十年来越来越精巧的有状态记忆架构不断涌现，受监管领域（核保、理赔裁定、税务稽查）中长程决策智能体的企业级部署仍由检索增强管线主导。我们认为这反映了一项隐含要求：受监管的部署有赖于四项系统属性（确定性重放、可审计的决策依据、多租户隔离、支撑水平扩展的无状态性），而有状态架构在构造上就违反了这些属性。我们提出确定性投影记忆（Deterministic Projection Memory，DPM）：一个只追加的事件日志，加上决策时刻的一次任务条件化投影。在三个记忆预算下的十个受监管决策案例上，DPM在预算宽裕时与基于摘要的记忆相当，而在预算受限时大幅胜出：在20倍压缩率下，DPM将事实精确度提升+0.52（Cohen's h=1.17，p=0.0014），将推理连贯性提升+0.53（h=1.13，p=0.0034），配对置换检验，n=10。此外，在预算受限时DPM还快7-15倍，决策时刻只需一次LLM调用而非N次。在温度为零条件下对每个案例进行10次重放的确定性研究显示，两种架构都继承了残留的API层面非确定性，但这种不对称是结构性的：DPM暴露一次非确定性调用，而摘要式方法暴露N次叠加的调用。审计面也呈现同样的一对N模式：DPM每个决策记录两次LLM调用，而摘要式方法在LongHorizon-Bench上记录83-97次。最后我们给出TAMS——一种面向从业者的架构选择启发式方法——以及企业运行条件下有状态记忆的失败分析。本文的贡献在于这一论证：无状态性是解释企业为何偏好较弱但可重放的检索管线的承重属性，并且DPM证明了无需付出检索在决策质量上的代价即可实现这一属性。